金楠，王瑞琴,2，陸悅聰

研究與開(kāi)發(fā)

基于艾賓浩斯遺忘曲線和注意力機(jī)制的推薦算法

金楠1，王瑞琴1,2，陸悅聰1

（1. 湖州師范學(xué)院信息工程學(xué)院，浙江 湖州 313000；2. 浙江省現(xiàn)代農(nóng)業(yè)資源智慧管理與應(yīng)用研究重點(diǎn)實(shí)驗(yàn)室，浙江 湖州 313000）

傳統(tǒng)基于注意力機(jī)制的推薦算法只利用位置嵌入對(duì)用戶行為序列進(jìn)行建模，忽略了具體的時(shí)間戳信息，導(dǎo)致推薦性能不佳和模型訓(xùn)練過(guò)擬合等問(wèn)題。提出基于時(shí)間注意力的多任務(wù)矩陣分解推薦模型，利用注意力機(jī)制提取鄰域信息對(duì)用戶和物品進(jìn)行嵌入編碼，借助艾賓浩斯遺忘曲線描述用戶興趣隨時(shí)間的變化特性，在模型訓(xùn)練過(guò)程中引入經(jīng)驗(yàn)回放的強(qiáng)化學(xué)習(xí)策略模擬人類的記憶復(fù)習(xí)過(guò)程。真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該模型比現(xiàn)有推薦模型具有更好的推薦性能。

艾賓浩斯遺忘曲線；注意力機(jī)制；強(qiáng)化學(xué)習(xí)；經(jīng)驗(yàn)回放

0 引言

大數(shù)據(jù)時(shí)代，在產(chǎn)生海量數(shù)據(jù)的同時(shí)也帶來(lái)了信息過(guò)載的問(wèn)題。個(gè)性化推薦系統(tǒng)將用戶從海量的數(shù)據(jù)選擇中解放出來(lái)，通過(guò)推薦算法挖掘用戶的潛在需求，為用戶提供個(gè)性化的推薦服務(wù)[1]。在這個(gè)信息爆炸和以人為本的時(shí)代，個(gè)性化推薦勢(shì)在必行?，F(xiàn)有推薦算法可分為傳統(tǒng)推薦算法和基于深度學(xué)習(xí)的推薦算法兩大類，傳統(tǒng)推薦算法存在數(shù)據(jù)稀疏、對(duì)用戶和物品的信息處理過(guò)于簡(jiǎn)單、無(wú)法捕獲非線性特征交互等缺點(diǎn)，預(yù)測(cè)準(zhǔn)確性不高?；谏疃葘W(xué)習(xí)的推薦算法可以自動(dòng)學(xué)習(xí)特征間的高階非線性交互，從而提高推薦的準(zhǔn)確性。

協(xié)同過(guò)濾（collaborative filtering，CF）算法[2]是經(jīng)典的推薦算法之一，其中以基于矩陣分解（matrix factorization，MF）的CF算法應(yīng)用最為廣泛。該算法將由用戶和項(xiàng)目組成的交互矩陣進(jìn)行低維矩陣分解，將用戶和項(xiàng)目映射到共享的潛在特征空間，利用用戶和項(xiàng)目潛在向量的內(nèi)積進(jìn)行評(píng)分預(yù)測(cè)[3]?；贛F的CF算法原理簡(jiǎn)單且推薦速率高，但無(wú)法利用用戶和項(xiàng)目的鄰域信息以及交互時(shí)間戳等信息，推薦精度不高。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)被證明可以擬合任何函數(shù)，實(shí)現(xiàn)對(duì)交互行為的非線性建模[4]。神經(jīng)矩陣分解（neural matrix factorization，NeuMF）和深度協(xié)同過(guò)濾（deep collaborative filtering，DeepCF）[5]是兩種典型的神經(jīng)網(wǎng)絡(luò)算法，分別采用不同的融合策略將CF算法和神經(jīng)網(wǎng)絡(luò)算法進(jìn)行集成，取得了良好的推薦性能，但不足之處在于推薦結(jié)果缺乏可解釋性。

近年來(lái)，注意力機(jī)制被廣泛應(yīng)用于推薦任務(wù)以自適應(yīng)地提取鄰域信息對(duì)目標(biāo)建模，建模過(guò)程中不同的注意力權(quán)重使得模型具有很好的可解釋性[6-7]。Wang等[8]提出基于神經(jīng)圖的協(xié)同推薦（neural graph collaborative filtering，NGCF）模型，將來(lái)自不同鄰居的信息組合起來(lái)學(xué)習(xí)用戶和物品向量。Wu等[9]提出基于圖神經(jīng)網(wǎng)絡(luò)的序列推薦（session-based recommendation with graph neural network，SR-GNN）模型，在會(huì)話圖上運(yùn)用圖神經(jīng)網(wǎng)絡(luò)來(lái)捕獲項(xiàng)目之間的復(fù)雜轉(zhuǎn)換，利用注意力機(jī)制將當(dāng)前會(huì)話表示為全局偏好和當(dāng)前興趣的組合。Lu等[10]提出社交影響注意力神經(jīng)網(wǎng)絡(luò)（social influence attentive neural network，SIAN）模型，利用注意力機(jī)制捕捉朋友推薦的影響力。Wang等[11]提出協(xié)同知識(shí)感知的注意力網(wǎng)絡(luò)（collaborative knowledge-aware attentive network，CKAN）模型，使用知識(shí)感知的注意力機(jī)制區(qū)分不同知識(shí)鄰居的貢獻(xiàn)。Wang等[12]提出全局上下文增強(qiáng)的序列推薦模型GCE-GNN（global context enhanced graph neural network），對(duì)所有會(huì)話中的項(xiàng)目轉(zhuǎn)換進(jìn)行建模來(lái)學(xué)習(xí)全局項(xiàng)目嵌入，對(duì)當(dāng)前會(huì)話進(jìn)行建模來(lái)學(xué)習(xí)會(huì)話級(jí)項(xiàng)目嵌入，采用注意力機(jī)制匯總兩個(gè)級(jí)別的嵌入表示。Xia等[13]將會(huì)話序列表示為超圖來(lái)捕捉項(xiàng)目間的高階信息，通過(guò)雙通道超圖卷積網(wǎng)絡(luò)來(lái)學(xué)習(xí)會(huì)話表示。然而，已有注意力方法通常利用位置嵌入對(duì)用戶行為序列進(jìn)行建模，忽略了具體的時(shí)間戳信息，導(dǎo)致推薦性能不佳和模型訓(xùn)練過(guò)擬合等問(wèn)題。

近年來(lái)，多任務(wù)學(xué)習(xí)成功應(yīng)用于機(jī)器學(xué)習(xí)的很多鄰域[14-15]。在推薦系統(tǒng)中，通過(guò)參數(shù)共享的方式同時(shí)學(xué)習(xí)多個(gè)相關(guān)的任務(wù)，不同任務(wù)之間相互促進(jìn)，如此可以進(jìn)一步提高推薦的性能。Xiao等[16]提出基于深度神經(jīng)網(wǎng)絡(luò)的多任務(wù)推薦（deep factorization machine-graph convolutional network，DFM-GCN）模型，它利用深度矩陣分解模型捕捉用戶與物品之間的交互信息，利用圖卷積網(wǎng)絡(luò)（graph convolutional network，GCN）獲得更好的項(xiàng)目表示向量。Wang等[17]提出知識(shí)圖譜增強(qiáng)的多任務(wù)特征學(xué)習(xí)推薦模型，它是一個(gè)深度端到端的框架，將知識(shí)圖譜的聯(lián)合學(xué)習(xí)和交替學(xué)習(xí)與推薦系統(tǒng)結(jié)合，利用知識(shí)圖嵌入任務(wù)來(lái)輔助推薦任務(wù)。Liu等[18]提出項(xiàng)目關(guān)系圖神經(jīng)網(wǎng)絡(luò)（item relationship graph neural network，IRGNN）模型，采用多任務(wù)架構(gòu)發(fā)現(xiàn)項(xiàng)目間的多個(gè)復(fù)雜關(guān)系，利用識(shí)別的項(xiàng)目關(guān)系生成更好的推薦結(jié)果，提高推薦的可解釋性。

綜上，注意力機(jī)制和多任務(wù)學(xué)習(xí)在推薦系統(tǒng)中已經(jīng)發(fā)揮出積極的作用。目前利用融合注意力機(jī)制與多任務(wù)學(xué)習(xí)以提高推薦性能的方法非常少見(jiàn)，然而這一方向具有巨大潛力，值得探索。為此，本文提出一種基于時(shí)間注意力的多任務(wù)矩陣分解推薦（time attention-based multi-task matrix factorization，TAMMF）模型，以基于時(shí)間感知注意力機(jī)制的推薦為主任務(wù)，以基于矩陣分解的推薦為相關(guān)任務(wù)，利用GCN捕捉用戶和物品的鄰域信息，借助艾賓浩斯遺忘曲線對(duì)鄰域作用進(jìn)行衰減，訓(xùn)練過(guò)程中引入基于經(jīng)驗(yàn)回放的強(qiáng)化學(xué)習(xí)策略。在真實(shí)數(shù)據(jù)集上的大量實(shí)驗(yàn)結(jié)果表明，本文算法明顯優(yōu)于現(xiàn)有推薦算法。本文的主要貢獻(xiàn)主要體現(xiàn)在以下幾個(gè)方面。

●在矩陣分解模型的基礎(chǔ)上，結(jié)合艾賓浩斯遺忘曲線和注意力機(jī)制提取鄰域信息，對(duì)用戶和項(xiàng)目進(jìn)行建模。

●模擬人類記憶不斷復(fù)習(xí)的過(guò)程，訓(xùn)練過(guò)程采用強(qiáng)化學(xué)習(xí)中經(jīng)驗(yàn)回放的學(xué)習(xí)方法，提升了模型的魯棒性。

●在4個(gè)不同規(guī)模的真實(shí)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證，結(jié)果表明本文模型的推薦精度和推薦速度均優(yōu)于已有推薦模型。

1 模型設(shè)計(jì)

TAMMF模型的基本框架如圖1所示，主要包括矩陣分解模型和時(shí)間注意力網(wǎng)絡(luò)兩個(gè)部件，二者共享用戶向量和物品向量，形成并行的多任務(wù)結(jié)構(gòu)，以不同的學(xué)習(xí)方式各自進(jìn)行評(píng)分預(yù)測(cè)，最后將得到的預(yù)測(cè)評(píng)分值進(jìn)行合并。

圖1 TAMMF模型的基本框架

矩陣分解進(jìn)行評(píng)分預(yù)測(cè)時(shí)存在預(yù)測(cè)準(zhǔn)確性低、可解釋性差等問(wèn)題。時(shí)間注意力網(wǎng)絡(luò)通過(guò)對(duì)用戶和物品向量進(jìn)行時(shí)間衰減，學(xué)習(xí)用戶和物品的鄰近關(guān)系，增強(qiáng)了模型的可解釋性，提升了評(píng)分預(yù)測(cè)的準(zhǔn)確性，但容易陷入局部最優(yōu)。多任務(wù)模型通過(guò)多個(gè)相關(guān)任務(wù)的共同學(xué)習(xí)和互相促進(jìn)，提高了模型的泛化能力。本文模型將均方根誤差（root mean square error，RMSE）作為兩個(gè)任務(wù)的損失函數(shù)，最后取均值作為總損失函數(shù)。

其中，1和2分別表示矩陣分解模型和時(shí)間注意力網(wǎng)絡(luò)的預(yù)測(cè)評(píng)分，為實(shí)際評(píng)分，為測(cè)試樣本的個(gè)數(shù)。

1.1 矩陣分解模型

矩陣分解是目前推薦系統(tǒng)中非常流行的一種算法，它通過(guò)對(duì)用戶?項(xiàng)目交互矩陣進(jìn)行低維矩陣分解，將用戶和項(xiàng)目映射到共同的潛在向量空間中，對(duì)用戶和項(xiàng)目的潛在特征向量的內(nèi)積進(jìn)行評(píng)分預(yù)測(cè)，如式（4）所示。

基于矩陣分解的評(píng)分預(yù)測(cè)與協(xié)同推薦算法原理簡(jiǎn)單、推薦速度快，但其計(jì)算過(guò)程沒(méi)有考慮交互時(shí)間信息以及用戶和物品的鄰近信息，推薦結(jié)果準(zhǔn)確率較低。

1.2 時(shí)間注意力網(wǎng)絡(luò)

（1）艾賓浩斯遺忘曲線

艾賓浩斯遺忘曲線為德國(guó)著名心理學(xué)家艾賓浩斯研究所得，遵循“先快后慢”原則，在記憶初期遺忘速度很快，隨時(shí)間推移遺忘速度逐漸減緩，最終趨于平穩(wěn)。此外，合理的重復(fù)記憶可以有效降低記憶的遺忘速度，提高記憶的牢固度。艾賓浩斯遺忘曲線如圖2所示。

圖2 艾賓浩斯遺忘曲線

將艾賓浩斯遺忘曲線應(yīng)用于推薦系統(tǒng)，需要根據(jù)具體的推薦數(shù)據(jù)集，將其量化為相應(yīng)的數(shù)學(xué)表達(dá)式，如式（5）所示。

其中，()是以為變量的遺忘函數(shù)，表示時(shí)間間隔，和是兩個(gè)控制變量。實(shí)驗(yàn)證明，當(dāng)設(shè)置=1.25、=1.84時(shí)，該函數(shù)與遺忘曲線的擬合度最高。

為用戶提供個(gè)性化推薦時(shí)，時(shí)間間隔越小的歷史行為往往具有越高的參考意義，可以更有效地體現(xiàn)用戶的短期興趣。時(shí)間間隔大的歷史行為對(duì)用戶短期興趣建模的參考意義較小，但其數(shù)據(jù)量豐富，能夠體現(xiàn)用戶的長(zhǎng)期興趣。在推薦系統(tǒng)中，歷史行為數(shù)據(jù)的時(shí)間間隔短至幾秒，長(zhǎng)達(dá)幾天，甚至幾個(gè)月，數(shù)據(jù)差異較大，這里用式（6）進(jìn)行轉(zhuǎn)換。

（2）時(shí)間注意力網(wǎng)絡(luò)設(shè)計(jì)

時(shí)間注意力網(wǎng)絡(luò)主要由時(shí)間衰減函數(shù)和圖卷積神經(jīng)網(wǎng)絡(luò)兩部分構(gòu)成，時(shí)間注意力網(wǎng)絡(luò)示意圖如圖3所示。

圖3 時(shí)間注意力網(wǎng)絡(luò)示意圖

其中，i為矩陣分解的物品向量，i()為衰減后的物品向量，為可調(diào)節(jié)參數(shù)。

其中，()表示用戶u在圖中的鄰居集；表示可訓(xùn)練的參數(shù)；uj表示鄰居項(xiàng)目I對(duì)用戶建模的貢獻(xiàn)權(quán)重，通過(guò)注意力網(wǎng)絡(luò)和Softmax激活函數(shù)計(jì)算得到，如式（9）及式（10）所示。

其中，1、21和2表示可訓(xùn)練的參數(shù)。

1.3 基于經(jīng)驗(yàn)回放的模型訓(xùn)練

人類記憶過(guò)程中通過(guò)適當(dāng)復(fù)習(xí)，能夠?qū)@得的短時(shí)記憶轉(zhuǎn)化成長(zhǎng)時(shí)記憶，永久地留存在腦海里，有效提升記憶效果。TAMMF模型借鑒強(qiáng)化學(xué)習(xí)中的經(jīng)驗(yàn)回放方法來(lái)模擬人類記憶過(guò)程中的復(fù)習(xí)過(guò)程，經(jīng)驗(yàn)回放示意圖如圖4所示。不斷地將訓(xùn)練過(guò)程中得到的用戶和物品向量保存在記憶池中，作為歷史經(jīng)驗(yàn)，繼續(xù)訓(xùn)練時(shí)會(huì)觸發(fā)經(jīng)驗(yàn)回放條件，該條件可以是迭代一定次數(shù)，也可以是隨機(jī)觸發(fā)，此時(shí)會(huì)從記憶池中獲取歷史經(jīng)驗(yàn)數(shù)據(jù)，并將其加入新的訓(xùn)練過(guò)程中。

圖4 經(jīng)驗(yàn)回放示意圖

在訓(xùn)練過(guò)程中采用經(jīng)驗(yàn)回放具有以下優(yōu)勢(shì)：一是每一步對(duì)權(quán)值的更新都會(huì)對(duì)模型起作用，提高了數(shù)據(jù)的利用率；二是打破了樣本之間的相關(guān)性，減小每次訓(xùn)練更新的方差；三是通過(guò)加入歷史經(jīng)驗(yàn)，防止參數(shù)學(xué)習(xí)陷入局部最優(yōu)。

1.4 復(fù)雜度分析

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)集

為了評(píng)估TAMMF模型的有效性，在FilmTrust、MovieLens 100K（ML-100K）、MovieLens 1M（ML- 1M）和MoiveLens Last（ML-Last）4個(gè)公開(kāi)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。數(shù)據(jù)集詳情見(jiàn)表1，其中FilmTrust包含1 508位用戶對(duì)2 071部電影的35 497個(gè)顯式評(píng)分，評(píng)分范圍為[0.5,4]；MovieLens 100K包含943位用戶對(duì)1 682部電影的100 000個(gè)顯式評(píng)分；MovieLens 1M包含6 040位用戶對(duì)3 706部電影的1 000 209個(gè)顯式評(píng)分；MovieLens Last包含610位用戶對(duì)9 742部電影的100 836個(gè)顯式評(píng)分，后3個(gè)數(shù)據(jù)集的評(píng)分取值范圍均為[1,5]。對(duì)于每個(gè)數(shù)據(jù)集，將其中80%的評(píng)分?jǐn)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其余作為測(cè)試數(shù)據(jù)。

表1 數(shù)據(jù)集詳情

2.2 對(duì)比方法

本文與如下方法進(jìn)行對(duì)比。

●基于物品的協(xié)同過(guò)濾推薦算法ItemCF（item-to-item collaborative filtering）[19]：通過(guò)計(jì)算物品之間的相似度，根據(jù)用戶喜歡的物品向用戶推薦相似的物品。

●概率矩陣分解（probabilistic matrix factorization，PMF）方法[20]：是推薦系統(tǒng)的基礎(chǔ)算法之一。PMF方法在大型、稀疏且不平衡的數(shù)據(jù)集上有很好的表現(xiàn)。

●MLP（multilayer perceptron）：深度神經(jīng)網(wǎng)絡(luò)基本方法，將用戶ID、項(xiàng)目ID的One-hot編碼進(jìn)行拼接并作為輸入向量，使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行交互建模和評(píng)分預(yù)測(cè)。

●奇異值分解（singular value decomposition，SVD）法[21]：對(duì)評(píng)分矩陣進(jìn)行分解后采用點(diǎn)積方法計(jì)算預(yù)測(cè)評(píng)分。該方法在預(yù)測(cè)準(zhǔn)確性、穩(wěn)定性上具有明顯的優(yōu)勢(shì)。

●GCN[22]：采用圖卷積方法融合鄰域信息進(jìn)行目標(biāo)建模，等同于本文模型中的注意力部分。

●NeuMF[3]：結(jié)合了傳統(tǒng)的矩陣分解算法和多層感知機(jī)，可以同時(shí)抽取低維和高維特征，具有良好的推薦效果。

●DeepCF[5]：結(jié)合表示學(xué)習(xí)和匹配學(xué)習(xí)方法的優(yōu)點(diǎn)，通過(guò)搭建深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行交互建模與評(píng)分預(yù)測(cè)。

為了得到對(duì)比算法的最優(yōu)結(jié)果，所有算法均參照原文獻(xiàn)設(shè)置最優(yōu)參數(shù)。為了防止過(guò)擬合，NeuMF和DeepCF采用L2正則化，MLP和GCN采用Dropout，保留概率為0.8。

2.3 評(píng)價(jià)指標(biāo)

平均絕對(duì)誤差（mean absolute error，MAE）和均方根誤差是衡量變量精度的兩個(gè)最常用的指標(biāo)。MAE表示絕對(duì)誤差的平均值，反映預(yù)測(cè)值與真實(shí)值之間的偏差程度，偏差越小，精度越高。

RMSE表示預(yù)測(cè)值和真實(shí)值之間差異的平方均值，用來(lái)衡量預(yù)測(cè)的準(zhǔn)確程度，偏差越小，精度越高。該指標(biāo)對(duì)個(gè)別大的偏差非常敏感。

2.4 參數(shù)設(shè)置

模型訓(xùn)練過(guò)程采用Adam優(yōu)化器，學(xué)習(xí)率為0.000 5；采用批量訓(xùn)練的方法，每批128個(gè)數(shù)據(jù)，迭代次數(shù)為200；用戶和物品向量采用期望為0、方差為0.01的隨機(jī)分布進(jìn)行初始化，向量維度為128；采用Dropout方法，防止模型訓(xùn)練過(guò)擬合。

2.5 實(shí)驗(yàn)結(jié)果分析

（1）對(duì)比實(shí)驗(yàn)

不同模型在4個(gè)數(shù)據(jù)集上的性能表現(xiàn)見(jiàn)表2，推薦系統(tǒng)的經(jīng)典算法ItemCF在所有方法中表現(xiàn)最差，相比ItemCF算法，PMF和SVD性能有所提升，但是由于上述方法沒(méi)有考慮鄰域信息，且只進(jìn)行線性交互建模，推薦效果都不是很理想。MLP通過(guò)學(xué)習(xí)高階特征交互，推薦性能具有明顯提升?；谏疃葘W(xué)習(xí)的模型NeuMF在MLP的基礎(chǔ)上結(jié)合矩陣分解算法捕捉低階關(guān)系，推薦性能得到進(jìn)一步提升。另一個(gè)基于深度學(xué)習(xí)的模型DeepCF結(jié)合了表示學(xué)習(xí)和特征交互學(xué)習(xí)的優(yōu)勢(shì)，在所有數(shù)據(jù)集上都具有優(yōu)異的性能表現(xiàn)。GCN模型在用戶和項(xiàng)目建模過(guò)程中考慮了鄰域信息，推薦性能較同類方法具有一定優(yōu)勢(shì)。本文模型在所有數(shù)據(jù)集上都具有最佳的性能表現(xiàn)，其原因在于：借助注意力機(jī)制捕捉用戶和物品鄰近信息，增強(qiáng)了建模準(zhǔn)確性；使用多任務(wù)的方式進(jìn)行參數(shù)學(xué)習(xí)，有效防止模型訓(xùn)練過(guò)擬合。TAMMF+在TAMMF的基礎(chǔ)上使用經(jīng)驗(yàn)回放的方式進(jìn)行訓(xùn)練，推薦性能得到了進(jìn)一步提升，由此可見(jiàn)，將人類記憶過(guò)程中的復(fù)習(xí)方法應(yīng)用于深度學(xué)習(xí)模型訓(xùn)練是有效的。

表2 不同模型在4個(gè)數(shù)據(jù)集上的性能表現(xiàn)

（2）參數(shù)敏感性實(shí)現(xiàn)

為了防止模型訓(xùn)練過(guò)擬合，提高模型的魯棒性，引入Dropout方法。Dropout方法在深度學(xué)習(xí)模型的每個(gè)隱藏層中都保留了神經(jīng)元比率。不同保留概率下的MAE和RMSE分別如圖5和圖6所示，展示了采用不同的保留概率時(shí)模型的推薦性能。當(dāng)保留全部神經(jīng)元（Dropout=1）時(shí)，模型出現(xiàn)嚴(yán)重的過(guò)擬合現(xiàn)象，采用Dropout方法可以有效解決過(guò)擬合問(wèn)題，在保留概率為0.8或0.9時(shí)，推薦效果性能最佳。

圖5 不同保留概率下的MAE

圖6 不同保留概率下的RMSE

為了防止參數(shù)學(xué)習(xí)陷入局部最優(yōu)，增強(qiáng)模型的魯棒性，本文模型采用了強(qiáng)化學(xué)習(xí)中經(jīng)驗(yàn)回放的訓(xùn)練方法，用于消除樣本之間的相關(guān)性，重復(fù)利用過(guò)去的經(jīng)驗(yàn)。不同回放間隔下ML-Last數(shù)據(jù)集上的MAE和RMSE分別如圖7和圖8所示，展示了不同回放間隔對(duì)模型性能的影響，可以看出，使用經(jīng)驗(yàn)回放的方法能夠明顯提升預(yù)測(cè)準(zhǔn)確率，當(dāng)回放間隔為5次時(shí)，效果最佳。

圖7 不同回放間隔下ML-Last數(shù)據(jù)集上的MAE

圖8 不同回放間隔下ML-Last數(shù)據(jù)集上的RMSE

表3 不同向量維度下的性能表現(xiàn)

通常情況下，用戶和項(xiàng)目向量的維度（size）對(duì)評(píng)分預(yù)測(cè)具有一定影響，不同向量維度下的性能表現(xiàn)見(jiàn)表3。從表3可以看出，開(kāi)始時(shí)隨著向量維度的增加，預(yù)測(cè)性能不斷提升，這是因?yàn)椴捎酶嗟木S度可以考慮更多的預(yù)測(cè)因素。當(dāng)向量維度為128時(shí)模型性能最佳，此時(shí)進(jìn)一步增加向量維度，預(yù)測(cè)性能反而有所下降，這說(shuō)明過(guò)多的向量維度引入了噪聲，會(huì)產(chǎn)生過(guò)擬合現(xiàn)象。因此，本文選取128作為用戶和項(xiàng)目向量的維度。

3 結(jié)束語(yǔ)

本文基于艾賓浩斯遺忘曲線和注意力機(jī)制對(duì)現(xiàn)有推薦模型進(jìn)行改進(jìn)，提出一種基于時(shí)間注意力的多任務(wù)矩陣分解推薦模型TAMMF，融合矩陣分解算法和時(shí)間注意力網(wǎng)絡(luò)，形成多任務(wù)學(xué)習(xí)模型，并使用經(jīng)驗(yàn)回放方法進(jìn)行模型訓(xùn)練，有效防止了模型訓(xùn)練過(guò)擬合，提升了評(píng)分預(yù)測(cè)和推薦準(zhǔn)確性。本文模型采用矩陣分解方法進(jìn)行評(píng)分預(yù)測(cè)，推薦效率高。

本文模型利用艾賓浩斯遺忘曲線對(duì)不同時(shí)間間隔的領(lǐng)域信息的作用進(jìn)行衰減，采用數(shù)學(xué)建模和參數(shù)調(diào)節(jié)方法。在未來(lái)的工作中，將借鑒多學(xué)科領(lǐng)域知識(shí)，嘗試不同的時(shí)間衰減方式，進(jìn)一步提升模型的推薦性能。

[1] 黃立威, 江碧濤, 呂守業(yè), 等. 基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào), 2018, 41(7): 1619-1647.

HUANG L W, JIANG B T, LYU S Y, et al. Survey on deep learning based recommender systems[J]. Chinese Journal of Computers, 2018, 41(7): 1619-1647.

[2] 紀(jì)佳琪, 姜學(xué)東. 深度協(xié)同過(guò)濾推薦模型研究[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2020, 37(7): 240-245.

JI J Q, JIANG X D. Deep collaborative filtering recommender model[J]. Computer Applications and Software, 2020, 37(7): 240-245.

[3] HE X N, LIAO L Z, ZHANG H W, et al. Neural collaborative filtering[C]//Proceedings of the 26th International Conference on World Wide Web. [S.l.:s.n.], 2017: 173-182.

[4] VEIT A, WILBER M J, BELONGIE S. Residual networks behave like ensembles of relatively shallow networks[J]. Advances in Neural Information Processing Systems, 2016, 29: 550-558.

[5] DENG Z H, HUANG L, WANG C D, et al. DeepCF: a unified framework of representation learning and matching function learning in recommender system[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33: 61-68.

[6] SHEN T, ZHOU T Y, LONG G D, et al. DiSAN: directional self-attention network for RNN/CNN-free language understanding[C]//Proceedings of the AAAI Conference on Artificial Intelligence, 2018, 32(1).

[7] ZHANG W F, YU J, HU H, et al. Multimodal feature fusion by relational reasoning and attention for visual question answering[J]. Information Fusion, 2020, 55: 116-126.

[8] WANG X, HE X N, WANG M, et al. Neural graph collaborative filtering[C]//Proceedings of the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval. [S.l.:s.n], 2019: 165-174.

[9] WU S, TANG Y Y, ZHU Y Q, et al. Session-based recommendation with graph neural networks[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33(1): 346-353.

[10] LU Y F, XIE R B, SHI C, et al. Social influence attentive neural network for friend-enhanced recommendation[C]//Proceedings of the European Conference on Machine Learning and Knowledge Discovery in Databases. [S.l.:s.n.], 2020: 3-18.

[11] WANG Z, LIN G Y, TAN H B, et al. CKAN: collaborative knowledge-aware attentive network for recommender systems[C]//Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2020: 219-228.

[12] WANG Z Y, WEI W, CONG G, et al. Global context enhanced graph neural networks for session-based recommendation[C]//Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. New York: ACM Press, 2020: 169-178.

[13] XIA X, YIN H Z, YU J L, et al. Self-supervised hypergraph convolutional networks for session-based recommendation[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2021, 35(5): 4503-4511.

[14] ZHANG Y, YANG Q. An overview of multi-task learning[J]. National Science Review, 2017, 5(1): 30-43.

[15] LU Y C, DONG R H, SMYTH B. Why I like it: multi-task learning for recommendation and explanation[C]//Proceedings of the 12th ACM Conference on Recommender Systems. New York: ACM Press, 2018: 4-12.

[16] XIAO Y, LI C D, LIU V. DFM-GCN: a multi-task learning recommendation based on a deep graph neural network[J]. Mathematics, 2022, 10(5): 721.

[17] WANG Y Q, DONG L Y, LI Y L, et al. Multitask feature learning approach for knowledge graph enhanced recommendations with RippleNet[J]. PLoS One, 2021, 16(5): e0251162.

[18] LIU W W, ZHANG Y, WANG J L, et al. Item relationship graph neural networks for E-commerce[J]. IEEE Transactions on Neural Networks and Learning Systems, 2022, 33(9): 4785-4799.

[19] LINDEN G, SMITH B, YORK J. Amazon.com recommendations: item-to-item collaborative filtering[J]. IEEE Internet Computing, 2003, 7(1): 76-80.

[20] KOREN Y, BELL R, VOLINSKY C. Matrix factorization techniques for recommender systems[J]. Computer, 2009, 42(8): 30-37.

[21] ZHENG S, DING C, NIE F P. Regularized singular value decomposition and application to recommender system[J]. arXiv preprint, 2018, arXiv: 1804.05090.

[22] MOLCHANOV P, TYREE S, KARRAS T, et al. Pruning convolutional neural networks for resource efficient inference[J]. arXiv preprint, 2016, arXiv: 1611.06440.

Ebbinghaus forgetting curve and attention mechanism based recommendation algorithm

JIN Nan1, WANG Ruiqin1, 2, LU Yuecong1

1. School of Information Engineering, Huzhou University, Huzhou 313000, China 2. Zhejiang Province Key Laboratory of Smart Management & Application of Modern Agricultural Resources, Huzhou 313000, China

Traditional attention-based recommendation algorithms only use position embeddings to model user behavior sequences, however, ignore specific timestamp information, resulting in poor recommendation performance and overfitting of model training. The multi-task matrix factorization recommendation model based on time attention was proposed, which used the attention mechanism to extract the neighborhood information for the user and item embedding, and used the Ebbinghaus forgetting curve to describe the changing characteristics of user interests over time. The model training process introduced a reinforcement learning strategy of experience replay to simulate the human memory review process. Experimental results on real datasets show that the proposed model has better recommendation performance than existing recommendation models.

Ebbinghaus forgetting curve, attention mechanism, reinforcement learning, experience replay

TP391

A

10.11959/j.issn.1000–0801.2022266

2022–02–25；

2022–09–28

王瑞琴，angelwrq@163.com

浙江省自然科學(xué)基金資助項(xiàng)目（No.LY20F020006）

The Natural Science Foundation of Zhejiang Province (No.LY20F020006)

金楠（1996– ），男，湖州師范學(xué)院信息工程學(xué)院碩士生，主要研究方向?yàn)樯疃葘W(xué)習(xí)、個(gè)性化推薦。

王瑞琴（1979– ），女，湖州師范學(xué)院信息工程學(xué)院教授、碩士生導(dǎo)師，主要研究方向?yàn)樽匀徽Z(yǔ)言理解、數(shù)據(jù)挖掘、個(gè)性化推薦。

陸悅聰（1996– ），男，湖州師范學(xué)院信息工程學(xué)院碩士生，主要研究方向?yàn)闄C(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘。